Modelo de reconocimiento visual para identificar enfermedades del cultivo de café en la comunidad de Tacalpo, Ayabaca, Piura 2024

• Autor: Jaramillo Castillo, Denilson
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Privada Norbert Wiener
• Repositorio: UWIENER-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uwiener.edu.pe:20.500.13053/12751
• Enlace del recurso: https://hdl.handle.net/20.500.13053/12751
• Nivel de acceso: acceso abierto
• Materia: Cultivos; Café; Tecnología alimentaria; Crops; Coffee; Food technology; https://purl.org/pe-repo/ocde/ford#2.02.04; https://purl.org/pe-repo/ocde/ford#4.01.01; ODS 9: Industria, innovación e infraestructura. Construir infraestructuras resilientes, promover la industrialización inclusiva y sostenible y fomentar la innovación

Este estudio tuvo como objetivo determinar como el modelo de reconocimiento visual permite identificar enfermedades del cultivo de café en la comunidad de Tacalpo, Ayabaca, Piura 2024. La metodología utilizada fue de enfoque cuantitativo, de tipo aplicada y de diseño experimental. Asimismo, la muestra de esta investigación estuvo conformada por 42 plantas de café. Los instrumentos para la recolección de datos fueron el cuestionario y la ficha de observación para los indicadores, efectividad del modelo y tiempo promedio en la identificación. Se usó estadística descriptiva para analizar los datos, dando como resultado para el primer indicador una media de 71.4% en el pre-test y un 90.48% en el post-test. Del mismo modo, para el segundo indicador una media de 90.36 segundos en el pre-test y unos 2.89 segundos en el post-test. También, se empleó la estadística inferencial con la prueba de Shapiro-Wilk porque la muestra es inferior a 50. Los resultados para ambos indicadores fueron Sig. < 0.05, indicando una distribución no paramétrica. Por lo cual se empleó la prueba de Wilcoxon y la prueba de rangos obteniendo los siguientes resultados: Para el primer indicador z=-4,512b y sig <.001, para el segundo indicador z=-5,709b y sig <.001. Finalmente, se concluyó que mediante el modelo de reconocimiento visual se optimiza la efectividad en identificar enfermedades en un 19.08% y se reduce el tiempo promedio en identificar enfermedades en un 96.8%.